Lesjon-symptom kartlegging (LSM), også kalt lesjon-atferd kartlegging, er et viktig verktøy for å studere den funksjonelle arkitekturen i den menneskelige hjerne¹. I lesjon studier, er hjernens funksjon utledes og lokalisert ved å studere pasienter med ervervet hjerne lesjoner. Det første tilfellet studier knytte nevrologiske symptomer til bestemte hjernen steder utført i det nittende århundre allerede gitt grunnleggende innsikt i anatomiske samsvarer med språk og flere andre kognitive prosesser². Likevel, nevroanatomi relaterer til mange aspekter av kognisjon og andre hjernefunksjoner forble unnvikende. I de siste ti årene har forbedrede strukturelle hjernens bildebehandlings metoder og tekniske fremskritt aktivert stor skala in vivo LSM studier med høy romlig oppløsning (dvs. på nivå med individuelle voxels eller spesifikke kortikale/subkortikal områder av interesse)^{1 ,2}. Med disse metodisk fremskritt, LSM har blitt en stadig mer populær metode i kognitiv nevrovitenskap og fortsetter å tilby ny innsikt i nevroanatomi av kognisjon og nevrologiske symptomer³. Et avgjørende skritt i enhver LSM studie er nøyaktig segmentering av lesjoner og registrering til en hjerne mal. Men en omfattende tutorial for forbehandling av hjernen Imaging data for det formål LSM mangler.

Forutsatt her er en komplett tutorial for en standardisert lesjon segmentering og registrering metoden. Denne metoden gir forskere med en rørledning for standardisert hjernen bildebehandling og en oversikt over potensielle fallgruver som må unngås. Den presenterte bildebehandling rørledningen ble utviklet gjennom internasjonalt samarbeid⁴ og er en del av rammen av den nylig GRUNNLA meta VCI kart konsortium, hvis formål er å utføre multisenter lesjon-symptom kartlegging studier i vaskulær kognitiv svekkelse ⁵. Denne metoden er utviklet for å behandle både CT-og Mr-skanninger fra flere leverandører og heterogene skanne protokoller for å tillate kombinert behandling av bildedata sett fra ulike kilder. Det krevde RegLSM programvare og alle annet programvare behøvde for denne protokollen er fritt anvendelig bortsett fra for MATLAB, hvilke behøver en med lisens. Denne opplæringen fokuserer på segmentering og registrering av hjernen infarkter, men dette bildet prosessering rørledningen kan også brukes til andre lesjoner, for eksempel hvit materie hyperintensities⁶.

Før en LSM-studie igangsettes, kreves det en grunnleggende forståelse av de generelle begrepene og fallgruvene. Flere detaljerte retningslinjer og en haiker ‘ s guide er tilgjengelig^1,3,6. Men disse vurderinger ikke gir en detaljert hands-on tutorial for de praktiske trinnene involvert i innsamling og konvertering av hjernen skanner til et riktig format, segmentere hjernen infarkt, og registrere skanninger til en hjerne mal. Den foreliggende papiret gir en slik veiledning. Generelle begreper av LSM er gitt i innledningen med referanser for videre lesning om emnet.

Generelt mål for kartlegging av lesjon-symptom

Fra perspektivet av kognitiv nevropsykologi, kan hjerneskade brukes som en modell betingelse for å bedre forstå neuronal grunnlaget av visse kognitive prosesser og å få et mer komplett bilde av den kognitive arkitekturen i hjernen¹ . Dette er en klassisk tilnærming i nevropsykologi som først ble anvendt i etter obduksjon studier i det nittende århundre av pionerene som Broca og Wernickes². I tid med funksjonell hjernen Imaging, har lesjon tilnærming forble et viktig redskap i nevrovitenskap fordi det gir bevis på at lesjoner i en bestemt hjerne regionen forstyrre oppgaven ytelse, mens funksjonell Imaging studier demonstrere hjernen regioner som er aktiveres under aktivitets ytelsen. Som sådan gir disse tilnærmingene utfyllende informasjon¹.

Fra perspektivet til klinisk nevrologi, LSM studier kan avklare forholdet mellom lesjon plassering og kognitiv funksjon hos pasienter med akutt symptomatisk infarkter, hvit materie hyperintensities, lacunes, eller andre lesjon typer (f. eks, svulster ). Nyere studier har vist at slike lesjoner i strategiske hjernens regioner er mer relevant i å forklare kognitiv ytelse enn global lesjon byrde^2,5,7,8. Denne tilnærmingen har potensial til å bedre forståelsen av patofysiologi av komplekse lidelser (i dette eksempelet vaskulær kognitiv svekkelse) og kan gi muligheter for å utvikle nye diagnostiske og Prognostisk verktøy eller støtte behandling strategier².

LSM har også søknader utenfor feltet av kognisjon. Faktisk kan enhver variabel være relatert til lesjon plassering, inkludert kliniske symptomer, biomarkører, og funksjonelle utfall. For eksempel, en fersk studie bestemmes infarkt steder som var prediktiv av funksjonelle utfall etter iskemiske hjerneslag¹⁰.

Voxel-basert versus region av interessebasert lesjon-symptom kartlegging

Lesjoner må være segmentert og registrert i en hjerne mal for å kunne utføre en tilordning av lesjon-Symptom. Under registreringsprosedyren, er hver pasientens hjerne romlig justert (dvs. normalisert eller registrert i en felles mal) for å korrigere for forskjeller i hjernens størrelse, form og orientering, slik at hver Voxel i lesjon kartet representerer de samme anatomiske struktur for alle pasienter⁷. I standard rom, flere typer analyser kan utføres, som er kort oppsummert her.

En grov lesjon-subtraksjon analyse kan utføres for å vise forskjellen i lesjon fordeling hos pasienter med underskudd sammenlignet med pasienter uten underskudd. Den resulterende subtraksjon kartet viser regioner som er oftere skadet hos pasienter med underskudd og spart hos pasienter uten underskudd¹. Selv om en lesjon-subtraksjon analyse kan gi noen innsikt i relaterer til en bestemt funksjon, gir det ingen statistisk bevis og er nå mest brukt når utvalgsstørrelsen er for lav til å gi nok statistisk kraft for Voxel-basert lesjon-symptom Kartlegging.

I Voxel-baserte lesjoner-symptom kartlegging, en assosiasjon mellom tilstedeværelsen av en lesjon og kognitiv ytelse bestemmes på nivået av hver enkelt Voxel i hjernen (figur 1). Den største fordelen med denne metoden er høy romlig oppløsning. Tradisjonelt har disse analysene blitt utført i en masse-univariate tilnærming, som garanterer korreksjon for flere tester og introduserer en romlig skjevhet forårsaket av Inter-Voxel sammenhenger som ikke er tatt hensyn til^{1,10 , 11}. nylig utviklet tilnærminger som tar Inter-Voxel sammenhenger i betraktning (vanligvis referert til som multivariabel lesjon-symptom kartlegging metoder, for eksempel Bayesisk analyse¹³, støtte vektor regresjon^{4, 14}, eller annen maskin lærings algoritmer¹⁵) viser lovende resultater og ser ut til å forbedre følsomheten og spesifisitet av funnene fra VOXEL-kloke LSM-analyser sammenlignet med tradisjonelle metoder. Ytterligere forbedring og validering av multivariabel metoder for Voxel-klok LSM er en kontinuerlig prosess. Den beste metoden valget for bestemte lesjon-symptom kartlegging avhenger av mange faktorer, inkludert fordelingen av lesjoner, utfallet variabel, og underliggende statistiske forutsetninger av metodene.

I den interesseområde (ROI)-baserte fordeling av lesjon-Symptom, bestemmes en tilknytning mellom belastningen for lesjon i en bestemt hjerne region og kognitiv ytelse (se figur 1 i Biesbroek et al.² for en illustrasjon). Den største fordelen med denne metoden er at den vurderer den kumulative lesjon byrden innenfor en anatomisk struktur, som i noen tilfeller kan være mer informativ enn en lesjon i en enkelt Voxel. På den annen side, ROI-baserte analyser har begrenset makt for å oppdage mønstre som er bare til stede i en undergruppe av voxels i regionen¹⁶. Vanligvis utføres AVKASTNINGS BAS ert symptom kartlegging ved hjelp av logistikk eller lineær regresjon. Nylig har multivariabel metoder som omhandler bedre med kolinearitet blitt innført (f. eks Bayesisk nettverk analyse¹⁷, støtte Vector regresjon^4,18, eller annen maskinlæring algoritmer¹⁹), som kan forbedre spesifisitet av funn fra lesjon-symptom kartlegging studier.

Valg av pasient

I LSM-studier velges vanligvis pasienter basert på en bestemt lesjon type (for eksempel hjerne infarkter eller hvit materie hyperintensities) og tidsintervallet mellom diagnose og nevropsykologiske vurdering (f.eks. akutt kontra kronisk slag). Den optimale studien design avhenger av forskningen spørsmålet. For eksempel, når du studerer den funksjonelle arkitekturen i den menneskelige hjerne, er akutt hjerneslag pasienter ideelt inkludert fordi funksjonell omorganisering ennå ikke har skjedd i dette stadiet, mens kroniske slagpasienter bør inkluderes når du studerer langsiktige virkningene av hjerneslag på kognisjon. En detaljert beskrivelse av betraktninger og fallgruver i pasientens utvalg er gitt andre steder⁷.

Behandling av hjerne bilde med henblikk på lesjon-symptom kartlegging

Nøyaktig lesjon segmentering og registrering til en felles hjerne malen er avgjørende skritt i lesjon-symptom kartlegging. Manuell segmentering av lesjoner forblir gullstandarden for mange lesjon typer, inkludert infarkter⁷. Forutsatt er en detaljert veiledning om kriterier for manuell infarkt segmentering på CT-skanninger, diffusjon vektet Imaging (DWI), og væske-dempes inversjon utvinning (FLAIR) MRI sekvenser i både akutte og kroniske stadier. Den segmentert infarkter (dvs. 3D binære lesjon kart) må registreres før noen på tvers av analyser er utført. Denne protokollen bruker registreringsmetoden RegLSM, som ble utviklet i en multisenter innstilling⁴. RegLSM gjelder lineære og ikke-lineære registrering algoritmer basert på elastix²⁰ for både CT og MRI, med en ekstra CT behandlingstrinn spesielt utviklet for å forbedre registrering kvaliteten på CT skanner²¹. Videre tillater RegLSM for å bruke ulike mål hjernen maler og en (valgfritt) mellomliggende registrering trinn til en alder-spesifikk CT/MRI mal²². Muligheten for å behandle både CT-og Mr-skanninger og dens customizability om mellomliggende og målrettede hjerne maler gjør RegLSM til et svært egnet bildebehandlingsverktøy for LSM. Hele prosessen med å utarbeide og segmentere CT/MRI-skanninger, registrering til en hjerne mal, og manuelle korrigeringer (hvis nødvendig) er beskrevet i neste avsnitt.

Figur 1: skjematisk illustrasjon av begrepet Voxel-basert lesjon-symptom kartlegging. Den øvre delen viser hjernen bildet pre-prosessering trinn bestående av segmentere lesjon (en akutt infarkt i dette tilfellet) etterfulgt av registrering til en hjerne mal (den MNI-152 mal i dette tilfellet). Nedenfor vises en del av det registrerte binære lesjon-kartet for samme pasient som et 3D-rutenett, der hver kube representerer en Voxel. Tas sammen med lesjon kart over 99 andre pasienter, genereres det et Overleggskart for lesjon. For hver Voxel utføres en statistisk test for å fastslå tilknytningen mellom status for lesjon og kognitiv ytelse. Den Chi-kvadrerte testen som vises her er bare et eksempel, en statistisk test kan brukes. Vanligvis testes hundretusenvis av voxels gjennom hele hjernen, etterfulgt av en korreksjon for flere sammenligninger. Vennligst klikk her for å se en større versjon av dette tallet.